冠状动脉造影图像处理应用研究

周 莹，郑存芳，李杰宁，陈 妍，张 弛，奚 涛，李国翚

(1.燕山大学 信息科学与工程学院，河北 秦皇岛 066004； 2.天津医科大学总医院，天津 300052； 3.北京中研广汇科技有限公司，北京 100080； 4.天津开发区奥金高新技术有限公司，天津 300072)

0 引 言

诊断冠心病(冠状动脉粥样硬化性心脏病)的一种常用方法是对冠状动脉进行造影。冠脉造影是一种较为安全可靠的有创诊断技术，现已广泛应用于临床，被认为是诊断冠心病的“金标准”[1]。虽然近年来超声成像技术、核磁共振成像技术等已逐步在临床上应用，但由于成本高昂、操作复杂，存在误诊、漏诊等现象，始终不如冠状动脉造影技术应用广泛。随着计算机技术的不断发展，图像处理技术也广泛应用于医学领域。

计算机辅助测量诊断的目的是帮助内科医生在异常检查、疾病定量分析及损伤诊断等方面提供参考意见[2]。对冠状动脉造影进行数字图像处理，不仅可以判断患者冠状动脉的狭窄程度，而且可以为斑块诊断提供可靠参考。

该文将从冠状动脉造影的图像分割方法、狭窄程度的分类和斑块性质的判断三个方面着手，阐述有关冠状动脉造影的图像处理方法。

1 冠状动脉分割方法概述

对造影图像中冠状动脉进行分割，是从背景图像中提取动脉图像的过程。由于复杂的血管形态，造影剂的分布不均以及成像过程中存在噪声等原因[3]，可能导致造影图像模糊不清，使冠脉造影图像分割技术颇具挑战性。国内外学者对医学图像分割进行了深入研究并提出多种不同的分割方法。该文将根据区域间不连续性和区域内相似性两个规则[4]，将图像分割技术分为三类：基于边界的、基于区域的和结合特定理论和工具的。

1.1 基于边界的技术

基于区域边界进行图像分割的原理是灰度的不连续性，其基础是边缘检测。边缘检测是先检测出边缘像素，再将边缘像素点连成整体，这样就构成了目标区域的边界线。因为边缘是目标区域和图像背景的分界线，只有检测出边界才能将目标和背景区分开来，所以边缘检测是边界分割技术的第一步。

检测边缘一般常用一阶或二阶导数来完成，但在实际的数字图像中求导是利用差分运算近似代替微分运算[5]：

Δxf(m,n)=f(m,n)-f(m-1,n)

(1)

Δyf(m,n)=f(m,n)-f(m,n-1)

(2)

Δαf(m,n)=Δxf(m,n)cosα-Δyf(m,n)sinα

(3)

其中，f(m,n)为像素点(m,n)的灰度值，Δxf(m,n)和Δyf(m,n)分别表示灰度在x和y方向上的变化率，Δαf(m,n)表示在方向α上的灰度变化率。

在基于边界的图像分割技术中，该文将根据给出模型方式的不同介绍基于模型的两种方法：参数化变形模型和几何化变形模型。

参数化变形模型是将待分割的图像模型进行参数化表达，其中最常用的就是活动轮廓模型。活动轮廓模型由M. Kass等人[6]提出，这种模型定义了图像中可变形的参数曲线和对应的能量函数。因为曲线的移动形似蛇，所以又叫“蛇线”模型。蛇模型的核心思想是泛函最优逼近理论，通过对能量函数的动态优化得到能量函数的局部最优解，从而获得目标的真实轮廓。Li Weifeng等[7]使用霍夫圆变换检测冠状动脉造影切片中升主动脉的位置，逐段分割升主动脉并使用蛇模型拟合升主动脉的轮廓。该方法很大程度上保证了冠状动脉的完整性。

几何变形模型是根据水平集和曲线演化理论，利用高维标量函数的水平集以隐式方式表达曲线或曲面，其中最具代表的是水平集方法[8]。水平集方法也叫集合活动轮廓模型，是一种关于演化表面的函数。水平集方法的优点是可以在笛卡尔网格上对演化中的曲线曲面进行数值计算而不必对曲线曲面参数化。水平集方法的另一个优点是可以方便地追踪物体的拓扑结构改变。水平集方法可以解决参数活动轮廓模型的一些不足之处，例如能量函数极小化的过程中不易陷入局部极小值等。

1.2 基于区域的分割技术

区域分割技术是基于灰度连续性，将具有某种相似性质的像素连通起来，把图像空间划分为互不重叠的区域，从而达到分割的目的。这种方法考虑了像素的相似性和空间上的邻接性，有效地克服了其他方法图像分割空间不连续的缺点，可以有效消除孤立噪声的干扰，具有较强的鲁棒性。基于区域的分割技术主要有阈值法、区域生长法。

阈值分割[9]是常见的直接对图像进行分割的算法，根据图像像素的灰度值的不同而定。对单一目标图像，只需选取一个阈值，即可将图像分为目标和背景两大类，这个称为单阈值分割；如果目标图像复杂，选取多个阈值，才能将图像中的目标区域和背景被分割成多个，这个称为多阈值分割，此时还需要区分检测结果中的图像目标，对各个图像目标区域进行唯一的标识进行区分。阈值分割的显著优点是成本低廉，实现简单。当目标和背景区域的像素灰度值或其他特征存在明显差异时，该算法能非常有效地实现对图像的分割。

阈值法流程如图1所示。

区域生长法[10]是从某个种子点开始，根据预设的图像处理规则，对图像中的像素进行选择归总，不断向区域中增加符合预设规则的像素点直到不再有新的点被加入区域即可终止生长[11]。区域生长法依赖用户提供种子点和预设图像处理规则，所以处理结果可能会因人而异，且由于图像亮度的变化和噪音，分割过程中容易引起欠分割和过分割，所以需要对分割结果进行后期再处理。因为区域生长法存在有待优化的问题，所以可以对其进行改进。例如，将区域生长法与自适应异值扩散滤波、离散小波变换等相结合，实现无种子点全自动分割。

图1 阈值法流程

1.3 结合特定理论和工具的分割技术

医学图像在成像时有许多干扰因素，例如心脏运动造成的伪影，不同组织相同或相似值的干扰，最终都会导致图像的分辨率不高，进而给图像分割增大了难度。许多学者为了改善血管分割的结果，提出了一些改进模型和算法，这些模型和算法结合了特定的理论和工具。例如：结合形态学的数学形态学方法，代表算法是头帽变换和分水岭变换；利用广义血管模型作为知识来源的人工智能法；结合小波理论、模糊理论、遗传算法、神经网络等图像分割方法。

1.4 现有方法存在的缺陷

尽管科研学者对血管图像分割做了许多研究工作，但是由于血管组织的复杂性，目前仍没有完美的分割方法可以实现各种情况下血管造影图像的分割。每种方法都是在付出某方面代价的基础上获得另一面的提高。现有分割方法存在的缺陷主要集中在以下方面[5]：

(1)模型假设过于理想化。例如，一般假设血管横截面为圆形，但是对于血管病变部位该假设不一定成立，最终将可能导致提出的模型和临床数据之间存在偏差。

(2)算法的局限性。针对特定成像模式提出的算法，难以适用于其他成像模式。

(3)算法自动化程度不高。算法中参数的估计和调整需要人为操作，有些算法还需要人工选择种子点或终止点。

1.5 冠脉造影图像分割专利

SYNTAX评分系统采用冠状动脉树16分段方法，结合冠状动脉的优势分布、病变部位、狭窄程度和病变特征，对直径≥1.5 mm，狭窄程度≥50%的病变进行评分。目前，临床医生基于冠脉造影图像人工计算SYNTAX评分，其评分程序复杂，计算量大，增加了医生的工作量，所以SYNTAX评分尚未广泛应用于临床中。

为将SYNTAX评分更好地推广向临床，北京工业大学发明了基于冠状动脉造影图像分割的SYNTAX自动评分方法[12]。该发明规避了临床上现有的人工计算SYNTAX评分的计算量大、计算步骤繁琐、评分标准复杂、计算时间长等问题。

北京红云智胜科技有限公司[13]通过选取分段造影DICOM视频中任意一帧图片作为训练样本，将训练样本输入神经网络中。所述神经网络由卷积神经网络模块、金字塔模型和反卷积层组成。卷积神经网络模块接收训练样本，金字塔模块接收需要分割和识别的血管特征图，应用金字塔融合的方法，输出不同尺度的血管特征图至反卷积层。此方法消除了由于背景像素和血管像素比例差异较大而导致的分类不均衡问题，也有效避免了图像背景中类似血管状的纹理引入的干扰，提高了分割精确度。北京邮电大学[14]也利用造影DICOM视频获取图片作为训练样本，但是此方法采用光流法表示帧与帧之间的关联性，将血管的变化信息加入分割方法中，从而获得了较好的结果。

以上发明解决了冠脉造影图像在血管分割方面存在的不同问题，提高了血管识别和分割的精确度，为冠状动脉的诊断和治疗提供了依据。

2 狭窄程度判断

心血管疾病具有高患病率、高致残率和高死亡率的特点，其发病的原因是动脉粥样硬化引起的管腔狭窄甚至阻塞形成血栓，从而引发心肌梗死或脑梗死等严重后果，因此研究冠状动脉的狭窄程度对治疗心血管疾病具有重要意义。

目前，冠状动脉的狭窄程度主要根据管腔直径的收缩度进行判断[15]，其计算方法为：

血管狭窄程度(%)=(狭窄段正常血管直径-狭窄段直径)/狭窄段正常血管直径*100%。

按照管腔狭窄程度可以将其划分为5级，如表1所示。

表1 管腔狭窄程度的等级划分

识别冠脉狭窄程度的专利：

浙江理工大学发明公开了一种识别DSA冠状动脉图像中局部血管狭窄程度的方法[16]。此发明实现了冠脉血管病灶的交互式测量，减少了人工参与带来的诊断偏差与低估问题，辅助医生对造影影像进行快速、准确的处理和分析，保证了实际诊断中的应用效率与客观性要求。此方法系统流程如图2所示。

图2 系统流程

北京红云智胜科技有限公司发明了一种基于深度学习的测量冠状动脉造影图像血管直径的方法[17]。该方法避免了不同医生、不同医院之间由于判读方法不同而存在的差异，此方法测量过程不需人工干预，操作方法简单易行，可供医生在冠脉造影术进行中使用，为医生提供客观的参考冠脉狭窄程度。该方法操作流程如图3所示。

3 斑块性质

粥脉硬化斑块根据其稳定性和主要成分的不同，分为稳定斑块和不稳定斑块。不稳定斑块又称为易损性斑块。其病理特征主要有：薄纤维帽(<65 μm)、丰富的脂质核、广泛的巨噬细胞浸润、纤维帽中微钙化[18]。这类斑块内膜脆弱，极不稳定，容易破裂出血形成血栓。稳定斑块的纤维帽比较完整且较厚，在病变中的主要成分为纤维性结缔组织，斑块不容易破裂，在一定时期内可以保持相对稳定。

因为冠脉造影在识别不稳定斑块方面有很大的局限性，所以通常应用冠脉CT测量其CT值对斑块性质进行判断。CT值在-44～47HU判断为脂质斑块，CT值在25～117HU判断为纤维斑块，CT值在126～817HU判断为钙化斑块[19]。其中，钙化斑块相对稳定。

图3 操作流程

预测斑块性质专利：

哈特弗罗公司发明了一种根据患者特定的解剖图像数据预测冠状动脉斑块易损性的方法[20]。通过获取患者血管系统的至少一部分的解剖图像数据，使用处理器对所述解剖图像数据执行一个或多个图像特性分析、几何分析、计算流体动力学分析和结构力学分析，预测患者血管系统中存在的冠状动脉斑块易损性以及不良心脏事件发生的概率。其方法流程如图4所示。

图4 预测流程

中国医科大学附属第一医院发明了一种多维度斑块破裂风险预警系统[21]，将获得的CT冠状动脉造影易损斑块自动识别方法与基于深度学习的CT实时血流动力学分析技术相整合，创建更加高效、灵敏、精准的无创性斑块破裂风险预警模型，为冠状动脉斑块破裂的智能化无创精准检测和早期预警提供全面可靠的依据和关键性的技术手段。冠状动脉易损斑块自动识别系统如图5所示。

图5 易损斑块自动识别系统

4 结束语

主要研究了图像处理技术在冠状动脉造影中的应用。根据区域间的不连续性和区域内的相似性，将血管分割技术分为了基于边界和基于区域的两大类以及结合特定理论和工具的技术。在基于区域的技术中介绍了最具代表性的阈值分割法和区域生长法。介绍了目前利用血管分割技术对冠状动脉狭窄和斑块性质进行判断的专利技术。目前，对于医学图像的处理技术还有一些不足之处，但随着图像处理方法的更新和技术的突破，会给冠状动脉的分割和诊断提供更准确的帮助。